车载GPS组合测速系统数据融合算法研究

设计并建立了车载GPS/加速度计组合测速系统联合Kalman滤波数学模型.提出了一种自适应联合Kalman滤波方法及其算法,运用随机线性离散系统Kalman滤波和非线性离散系统扩展Kalman滤波等技术进行数据的更新滤波.理论分析和半物理仿真结果表明,该数据融合算法在测量精度、可靠性、适应性、实时性等方面大大提高了该组合测速系统的性能.     

小型飞行器高度定位数据融合方法

给出了一种小型飞行器高度定位的数据融合方法。根据飞行器运动方程 ,推导出了高度和飞行状态之间的关系 ,并由所得的飞行状态 ,利用Kalman滤波方法得到高度估计。根据实测值、最优估计值和GPS高度测量值进行数据融合 ,进一步对高度传感器定位误差进行修正。仿真和数据回放结果表明使用此方法可以得到飞行器更准确的定位。     

数据融合的方法及应用研究

介绍了数据融合的定义、融合层次、融合方法及其应用领域，特别是在军事上，机器人控制及图像处理上的应用。在此基础上，分析了数据融合的研究热点及发展趋势。数据融合技术是一种用途广泛的数字信号及信息处理方法，它通过对大量的数据进行处理提纯，得到一组直观有效的数据，为进一步处理和判断控制提供精确的数据依据。     

基于量测自适应辨识的多传感器数据融合算法

针对量测不确定条件下多传感器量测数据的合理利用和有效融合问题,提出了一种量测不确定下多传感器量测自适应数据融合算法。算法实现中考虑到传感器量测受扰动影响的具体情况,通过单个传感器的量测似然度的求解确认等效量测,并利用传感器量测数据间统计距离的构建完成对等效量测优化,进而实现不含扰动影响传感器量测数据的合理选择和融合。理论分析和仿真实验验证结果表明:新算法不仅有效改善扰动对于滤波精度的不利影响,并且相对于分布式融合方式降低计算复杂度。     

基于神经网络的压力传感器数据融合

针对压力传感器在实际应用中受多个非目标参量的影响而导致其输出数据不仅仅与目标参量有关，提出了应用神经网络技术对多传感器数据进行融合以消除非目标参量对传感器输出的影响；研究结果表明，利用神经网络实现多传感器数据融合消除非目标参量对传感器输出的影响是可行的。     

无线传感器网络节点分布式信息融合算法研究

节省能耗和延长网络寿命是无线传感器网络研究的核心课题之一,国内外在节点放置、路由策略方面有大量研究,通过密度控制、分级簇等路由算法减少数据冗余。通过信息融合算法减少有效数据传输量是延长网络节点寿命的有效途径,并就此进行具体研究,提出了三种典型的分布式信息融合算法,即系数加权融合、无反馈的Kalman融合滤波及有反馈的Kalman融合滤波,并对其在805.12.4/ZigBee温度测量网络应用层协议中进行实现,最后通过运算数据结果对三种算法进行了比较分析及有效性、局限性总结。     

基于小波变换和Kalman滤波的多传感器数据融合

不同的传感器数据采集系统采集的数据具有不同的分辨率,因而需要解决多分辨率数据的融合技术和方法。Kalman滤波对非平稳信号具有较强的估计能力,能对信号所有的频率成分同时进行处理;小波变换的多分辨分析正好提供了有效的多分辨率信息处理方法。因此本文基于小波变换的分时分频多分辨率特点,把信号进行小波变换,然后分别在各尺度上进行Kalman滤波估计,最后通过Mallat快速重构算法,得到融合后的结果。     

一种基于神经网络的力传感器的数据融合方法

电阻应变式测力传感器是目前国内外广泛使用的一种传感器。但它在使用的过程中,经常由于载荷分布不均,造成其精度的降低,使其输出特性呈现严重的非线性。引起这种误差的主要原因有：传感器的高度不足、斜载、偏心等。人工神经网络是由大量处理单元(神经元)组成的非线性大规模自适应系统,能够表达任意复杂的动态特性。因此,针对传感器的高度不足、斜载这两种情况,该文提出了利用前向多层神经网络进行数据融合。以筒式力传感器为例,阐述了其网络模型的建立过程。结果表明在高度降低和斜载的情况下,利用神经网络传感器仍能保持很高的精度。这在工程实际中是非常有用的。     

基于神经网络进化学习的两轮小车避障控制

本文提出了基于神经网络的两轮小车的避障控制，通过进化学习实现了小车在非结构化环境中的避障行为。这种神经网络控制结构同时完成传感器数据融合功能，具有一定的传感器容错能力。     

基于数据融合的自适应神经网络模糊控制系统设计

基于数据融合的思想,提出一种非线性系统的自适应神经网络模糊控制器的设计方法。该方法利用数据融合技术降低了模糊控制器的输入维数,简化了模糊控制器的设计。用自适应神经模糊推理系统的神经网络自学习功能完成模糊控制器的设计。仿真结果表明,自适应神经网络模糊控制系统性能优于采用普通的模糊控制器的情况,为数据融合与智能系统技术在非线性系统中的应用作了有益的探索.     

无线传感器网络中的数据融合研究

无线传感器网络具有成本低、体积小、组网灵活、便于远程监控等优点,但是也存在能量、存储与网络资源等多方面的限制。研究了无线传感器网络中数据融合问题,提出了一种基于分簇的数据融合方法。实验结果表明,该方法能够提高数据准确性,降低数据冗余度,具有较好的执行效率。     

无线传感器网络及智能环境控制

传感器网络是信息技术中的一个新的研究领域,具有十分广阔的应用前景,引起了学术界和工业界高度重视。在环境中布置的大量的传感器,利用数据挖掘和数据融合的工具,可以对人的动作进行识别,实现对境的智能控制。     

基于无线传感器网络的分布递阶信息融合算法

提出了基于无线传感器网络的分布递阶信息融合方法,下层源节点采用卡尔曼滤波及基于减少能耗和网络冲突的数据处理方法,上层汇聚节点采用方差最小的加权信息融合方法,该方法能有效降低传感器网络能耗和网络信息冲突,仿真结果表明了该方法的有效性和可靠性。     

数据融合技术在无线传感器网络中的应用

在大规模的无线传感器网络中,传输数据量巨大,必然存在着数据传输可靠性、拥塞以及能耗等问题,高效的数据融合技术能够有效的解决这些问题。本文结合分簇路由算法的特征,采用两层融合技术,首先簇内节点与簇首节点的融合,簇内节点根据阈值来判断是否需要发送数据,簇首节点根据接收到的数据,进行数据一致性检验,剔除异常数据,第二层采用BP神经网络算法对簇首节点与基站的融合,得到所需要的结果。实验表明,进行融合后的数据可靠性高,较大减少了数据的传输量与冗余度、降低了能量的消耗,从而提高了整个网络的性能。     

基于神经网络的数据融合技术在谐振式密度传感器中的运用

本文详细讨论了谐振式密度传感器的模型及测量原理,结合人工神经网络传感器数据融合技术实现谐振式密度传感器在线连续高精度测量,为研制新型的智能传感器提供一种思路。     

基于高精度导航设备的海上多传感器配准算法

对海上多平台多传感器误差配准问题,利用平台的高精度导航信息将各传感器的量测数据转换到地心坐标系下,构建关于传感器偏差和舰艇姿态误差的伪测量模型,采用卡尔曼滤波对配准误差进行在线估计和补偿.算法较好地解决了传统的基于球极投影误差配准技术受地球曲率影响的不足,并突破了离线配准算法假定配准误差恒定的限制.仿真实验结果验证了算法的正确性和有效性.     

基于偏振光与MEMS陀螺的航向角测量系统设计

针对飞行器控制中MEMS陀螺存在噪声干扰和测量误差,以及其误差随时间累积的缺点,采用偏振光传感器作为量测信息,对其航向角信息进行矫正.详细介绍了偏振光传感器的测量原理,并建立MEMS陀螺与偏振光传感器误差的数学模型,在此基础上采用简单有效的直接卡尔曼滤波方法进行数据融合.室内精密转台实验测量结果表明:偏振光传感器可以有效地修正角速度陀螺的航向信息,经过280 s的实验,误差由原来的36.27°下降为6.05°,此最优估计航向角可以为飞行控制提供精确的数据信息.     

基于粗糙集神经网络和信息融合的故障诊断

神经网络是智能故障诊断系统的一种重要的方法。粗糙集理论则是处理不完备信息的一种技术。文中以复杂的人工智能诊断问题为研究对象,系统地论述了基于神经网络、粗糙集、信息融合的智能诊断的理论、方法与实践。其主要方法如下:在故障诊断的神经网络模型的基础上,以粗糙集理论中的信息系统属性值表为主要工具,将复杂的组合神经网络约简并删除其中不必要的属性,克服了网络规模过于庞大和分类速度慢的缺点,并给出了基于粗糙集理论的组合神经网络的模型结构,最后再利用数据融合技术,得出更加精确的结果。一个故障诊断实例证明了该方法的有效性。     

Multisensor fusion for linear control systems with asynchronous, Out-Of-Sequence and erroneous data

This paper presents a set of new centralized algorithms for estimating the state of linear dynamic Multiple-Input Multiple-Output (MIMO) control systems with asynchronous, non-systematically delayed and corrupted measurements provided by a set of sensors. The delays, which make the data available Out-Of-Sequence (OOS), appear when using physically distributed sensors, communication networks and pre-processing algorithms. The potentially corrupted measurements can be generated by malfunctioning sensors or communication errors. Our algorithms, designed to work with real-time control systems, handle these problems with a streamlined memory and computational efficient reorganization of the basic operations of the Kalman and Information Filters (KF & IF). The two versions designed to deal only with valid measurements are optimal solutions of the OOS problem, while the other two remaining are suboptimal algorithms able to handle corrupted data.     

基于神经网络的多模态控制器设计

基于神经网络所具有的定性推理和定量数值并行计算能力,以及学习记忆能力,集成非线性 多个特征模型和控制器,实现了控制系统的多模智能控制,该方法充分结构的定性知识和定量数学描述信息,实现了参数大范围变化时变系统的良好控制,最后用该方法对某型激光制导炸弹设计了一多模态控制器,仿真结果表明了该方法的优良性能。